Enhavtabelo[Kaŝi][Montri]
Multaj antaŭvidas robotojn kiel tiuj en sciencfikciaj filmoj, kiuj imitas aŭ eĉ superas homan intelekton kiam ili aŭdas la terminojn artefarita inteligenteco, profunda lernado kaj maŝinlernado.
Aliaj opinias, ke ĉi tiuj aparatoj nur prenas informojn kaj lernas de ĝi memstare. Nu... Ĝi estas iom trompa. Datumetikedado estas la metodo uzita por trejni komputilojn por iĝi "inteligentaj", ĉar ili havas limigitajn kapablojn sen homa instrukcio.
Por trejni la komputilon agi "inteligente", ni enigas la datumojn en diversaj formoj kaj instruas al ĝi diversajn strategiojn per la helpo de datumetikedado.
Datenserioj devas esti komentitaj aŭ etikeditaj kun multaj permutaĵoj de la samaj informoj kiel parto de la scienco subesta datenetikedado.
La penado kaj dediĉo en la fina produkto estas laŭdindaj, eĉ kiam ĝi surprizas kaj faciligas nian ĉiutagan vivon.
Lernu pri datumetikedado en ĉi tiu artikolo por lerni kio ĝi estas, kiel ĝi funkcias, malsamaj specoj de datumetikedado, obstakloj, kaj multe pli.
Do, kio estas Datuma Etikedado?
In maŝinlernado, la kalibro kaj naturo de la enigdatenoj diktas la kalibron kaj naturon de la eligo. La precizeco de via AI-modelo estas plibonigita per la kalibro de la datumoj uzataj por trejni ĝin.
En aliaj esprimoj, datenetikedado estas la ago de etikedado aŭ komentado de malsamaj nestrukturitaj aŭ strukturitaj datumserioj por instrui komputilon identigi diferencojn kaj padronojn inter ili.
Ilustraĵo helpos vin kompreni ĉi tion. Necesas etikedi ĉiun ruĝan lumon en diversaj bildoj por ke la komputilo lernu, ke ruĝa lumo estas signalo por halti.
Surbaze de tio, AI disvolvas algoritmon kiu, en ĉiu situacio, interpretos ruĝan lumon kiel haltindikon. Alia ilustraĵo estas la kapablo klasifiki malsamajn datumarojn sub la titoloj de ĵazo, popmuziko, roko, klasikaĵo, kaj pli por apartigi malsamajn muzikĝenrojn.
Por diri simple, datumetikedado en maŝinlernado rilatas al la procezo de detektado de neetikeditaj datumoj (kiel fotoj, tekstdosieroj, filmetoj, ktp.) kaj aldoni unu aŭ pluraj rilatajn etikedojn por oferti kuntekston por ke maŝinlernado-modelo povas lerni de. ĝi.
Etikedoj povus diri, ekzemple, ĉu rentgenradio montras tumoron aŭ ne, kiuj vortoj estis diritaj en aŭdklipo, aŭ se bildo de birdo aŭ aŭtomobilo.
Datumetikedado estas esenca por kelkaj uzkazoj, inkluzive de parolrekono, komputila vidado, kaj naturlingva prilaborado.
Datumetikedado: Kial ĝi estas Grava?
Unue, la kvara industria revolucio estas centrita sur la kapablo de trejnado maŝinoj. Kiel rezulto, ĝi estas inter la plej signifaj programaj progresoj de la nuntempo.
Via maŝinlernada sistemo devas esti kreita, kio implikas datumetikedadon. Ĝi establas la kapablojn de la sistemo. Ne ekzistas sistemo se datumoj ne estas etikeditaj.
La eblecoj kun datumetikedado estas nur limigitaj de via kreemo. Ĉiu ago, kiun vi povas mapi en la sistemon, ripetos kun freŝaj informoj.
Tio signifas, ke la tipo, kvanto kaj diverseco de datumoj, kiujn vi povas instrui al la sistemo, determinos ĝian inteligentecon kaj kapablon.
La dua estas, ke datuma etikedlaboro venas antaŭ datuma scienca laboro. Sekve, datumetikedado estas necesa por datumscienco. Fiaskoj kaj eraroj en datumetikedado influas datuman sciencon. Alternative, por uzi pli krudan kliŝon, "rubo en, rubo ekstere."
Trie, La Arto de Datuma Etikedado signifas ŝanĝon en kiel homoj alproksimiĝas al la disvolviĝo de AI-sistemoj. Ni samtempe rafinas la strukturon de la datumetikedado por pli bone plenumi niajn celojn prefere ol nur provi plibonigi matematikajn teknikojn.
Moderna aŭtomatigo baziĝas sur ĉi tio, kaj ĝi estas la centro de la AI-Transformo nuntempe okazanta. Nun pli ol iam, scilaboro estas mekanizita.
Kiel funkcias datumetikedado?
La sekva kronologia sinsekvo estas sekvita dum la datumetikedprocedo.
Datenkolektado
Datumoj estas la bazŝtono de iu ajn maŝinlernada klopodo. La komenca stadio en datenetikedado konsistas el kolektado de la konvena kvanto de krudaj datumoj en malsamaj formoj.
Datenkolektado povas preni unu el du formoj: aŭ ĝi venas de internaj fontoj kiujn la komerco uzis, aŭ ĝi venas de publike alireblaj eksteraj fontoj.
Ĉar ĝi estas en kruda formo, ĉi tiuj datumoj devas esti purigitaj kaj prilaboritaj antaŭ ol la datumseraj etikedoj estas faritaj. La modelo tiam estas trejnita uzante ĉi tiujn purigitajn kaj antaŭprilaboritajn datenojn. La trovoj estos pli precizaj ju pli granda kaj varia la datumaro.
Komentante datumojn
Post purigado de datumoj, domajnaj fakuloj ekzamenas la datumojn kaj aplikas etikedojn uzante plurajn datumetikedteknikojn. La modelo havas senchavan kuntekston kiu povas esti utiligita kiel grunda vero.
Ĉi tiuj estas la variabloj, kiujn vi volas, ke la modelo antaŭdiri, kiel la fotoj.
Certigo de kvalito
La kvalito de la datumoj, kiuj devus esti fidindaj, precizaj kaj konsekvencaj, estas decida al la sukceso de ML-modeltrejnado. Regulaj QA-testoj devas esti efektivigitaj por garantii ĉi tiun precizan kaj ĝustan datenetikedadon.
Estas eble taksi la precizecon de ĉi tiuj komentarioj uzante QA-teknikojn kiel la Interkonsento kaj la alfa-testo de Cronbach. Rezulta korekteco estas konsiderinde plibonigita per rutinaj QA-inspektadoj.
Trejnado kaj testado de modeloj
La menciitaj proceduroj nur havas sencon se la datumoj estas kontrolitaj por ĝusteco. La tekniko estos provita inkluzivante la nestrukturitan datumaron por kontroli ĉu ĝi donas la deziratajn rezultojn.
Strategioj pri etikedado de datumoj
Datumetikedado estas peniga procezo, kiu postulas atenton al detaloj. La metodo uzata por komenti datumojn varias depende de la eldona deklaro, kiom da datumoj devas esti etikeditaj, kiom komplikaj la datumoj estas kaj la stilo.
Ni trarigardu kelkajn el la ebloj kiujn havas via komerco, depende de la rimedoj, kiujn ĝi havas kaj la tempo, kiun ĝi havas.
Datumetikedado endome
Kiel la nomo implicas, interna datumetikedado estas farita de spertuloj ene de firmao. Kiam vi havas sufiĉe da tempo, dungitaro kaj financaj rimedoj, ĝi estas la plej bona elekto ĉar ĝi certigas la plej precizan etikedadon. Tamen ĝi moviĝas malrapide.
subkontraktado
Alia eblo por fari aferojn estas dungi sendependajn dungitojn por datumetikedaj taskoj, kiuj povas esti malkovritaj en diversaj laborserĉaj kaj sendependaj merkatoj kiel Upwork.
Subkontraktado estas rapida opcio por akiri datumojn-etikedservojn, tamen la kvalito povus suferi, simile al la antaŭa metodo.
Korporacio
Vi povas ensaluti kiel petanto kaj distribui diversajn etikedajn laborpostenojn al disponeblaj entreprenistoj sur specialigitaj crowdsourcing platformoj kiel Amazon Mechanical Turk (MTurko).
La metodo, kvankam iom rapida kaj malmultekosta, ne povas provizi bonkvalitajn komentitajn datumojn.
Etikedado de datumoj aŭtomate.
La proceduro povus esti helpata de programaro krom esti farita permane. Uzante la aktivan lernadon, etikedoj povas esti aŭtomate trovitaj kaj aldonitaj al la trejna datumaro.
Esence, homaj specialistoj disvolvas AI Aŭto-etikedan modelon por marki neetikeditajn, krudajn datumojn. Tiam ili decidas ĉu la modelo taŭge aplikis la etikedon. Homoj riparas la erarojn post fiasko kaj retrejnas la algoritmon.
Disvolviĝo de sintezaj datumoj.
Anstataŭ real-mondaj datumoj, sintezaj datumoj estas etikedita datumaro kiu estis produktita artefarite. Ĝi estas produktita per algoritmoj aŭ komputilaj simulaĵoj kaj ofte kutimas trejni maŝinlernajn modelojn.
Sintezaj datumoj estas bonega respondo al la problemoj de datummalabundeco kaj vario en la kunteksto de etikedaj proceduroj. La kreado de sintezaj datumoj de nulo proponas solvon.
La kreado de 3D-agordoj kun la eroj kaj ĉirkaŭante la modelon devas povi rekoni de datumseraj programistoj. Tiom da sintezaj datumoj, kiom necesas por la projekto, povas esti prezentitaj.
Defioj de Datuma Etikedado
Postulas pli da tempo kaj peno
Krom esti malfacila akiri grandajn kvantojn da datumoj (precipe por tre specialigitaj industrioj kiel sanservo), etikedi ĉiun datumon permane estas kaj laborintensa kaj peniga, necesigante la helpon de homaj etikedistoj.
Preskaŭ 80% de la tempo pasigita en projekto dum la tuta ciklo de ML-evoluo estas elspezita por datumpreparo, kiu inkluzivas etikedadon.
Eblo por nekongrueco
Plejofte, kruc-etikedado, kiu okazas kiam multaj homoj etikedas la samajn arojn da datumoj, rezultigas pli grandan precizecon.
Tamen, ĉar individuoj foje havas diversajn gradojn de kompetenteco, etikedaj normoj kaj etikedoj mem povas esti malkonsekvencaj, kio estas alia afero, Eblas ke du aŭ pli da komentantoj malkonsentas pri iuj etikedoj.
Ekzemple, unu fakulo povus taksi hotelrecenzon kiel favora dum alia konsiderus ĝin sarkasma kaj asignus al ĝi malaltan rangigon.
Domajna scio
Vi sentos la neceson dungi etikedistojn kun specialiĝintaj industriscioj por iuj sektoroj.
Komentarioj sen la necesa domajna scio, ekzemple, havos tre malfacilan tempon taŭge etikedante la erojn kreante ML-apon por la sansektoro.
Inklino al eraroj
Mana etikedado estas submetata al homaj eraroj, sendepende de kiom spertaj kaj zorgemaj estas viaj etikedistoj. Pro la fakto, ke komentarioj ofte laboras kun enormaj krudaj datumaj aroj, tio estas neevitebla.
Imagu homon komentante 100,000 bildojn kun ĝis 10 malsamaj aferoj.
Oftaj specoj de Datumaretikedado
Komputila Vidado
Por evoluigi vian trejnan datumaron, vi unue devas etikedi bildojn, pikselojn aŭ ŝlosilajn punktojn, aŭ establi limon, kiu tute enfermas ciferecan bildon, konatan kiel limkesto, dum konstruo de komputilvida sistemo.
Fotoj povas esti klasifikitaj en diversaj manieroj, inkluzive de enhavo (kio estas fakte en la bildo mem) kaj kvalito (kiel produkto kontraŭ vivstilaj pafoj).
Bildoj ankaŭ povas esti dividitaj en segmentojn je la piksela nivelo. La komputila viziomodelo evoluigita uzante tiujn trejnaddatenojn poste povas esti utiligita por aŭtomate klasifiki bildojn, determini la lokon de objektoj, elstarigi ŝlosilajn areojn en bildo, kaj segmenti bildojn.
Natura Lingvo Processing
Antaŭ produkti vian trejnan datumseron pri natura lingvo-prilaborado, vi devas permane elekti koncernajn tekstajn fragmentojn aŭ klasifiki la materialon per specifitaj etikedoj.
Ekzemple, vi povus deziri rekoni parolŝablonojn, klasifiki proprajn nomojn kiel lokojn kaj homojn, kaj identigi tekston en bildoj, PDF-oj aŭ aliaj amaskomunikiloj. Vi eble ankaŭ volas determini la senton aŭ intencon de teksta disko.
Kreu limskatolojn ĉirkaŭ la teksto en via trejna datumaro por plenumi tion, kaj poste transskribi ĝin permane.
Optika signorekono, enta nomidentigo, kaj sentanalizo estas ĉiuj faritaj uzante naturlingvajn pretigajn modelojn.
Aŭtomata Pretigo
Audiopretigo transformas ĉiujn specojn de sonoj en strukturitan formaton tiel ke ili povas esti utiligitaj en maŝinlernado, inkluzive de parolado, bestaj bruoj (bojoj, fajfoj aŭ pepoj), kaj konstrubruoj (rompita vitro, skanado aŭ sirenoj).
Ofte, antaŭ ol vi povas pritrakti aŭdion, vi devas permane konverti ĝin al teksto. Poste, kategoriigante kaj aldonante etikedojn al la audio, vi povas lerni pli profundajn informojn pri ĝi. Viaj trejna datumaro estas ĉi tiu klasita aŭdio.
konkludo
Konklude, identigi viajn datumojn estas decida parto de trejnado de iu ajn AI-modelo. Rapida organizo, tamen, simple ne povas permesi pasigi tempon farante ĝin permane ĉar ĝi estas tempopostula kaj energiintensa.
Aldone, ĝi estas proceduro kiu estas ema al malprecizeco kaj ne promesas grandan precizecon. Ĝi ne devas esti tiel malfacila, kio estas bonega novaĵo.
La hodiaŭaj datumetikedteknologioj ebligas kunlaboron inter homoj kaj maŝinoj por disponigi precizajn kaj utilajn datumojn por diversaj maŝinlernadaplikoj.
Lasi Respondon